Когда сетевые видеокамеры впервые появились на рынке, они были, в основном, устройствами для потокового видео. Большая часть информации и обработки для системы размещалась в основной серверной ферме системы управления видео. Однако, в течение нескольких лет компании стали производить камеры с достаточной мощностью процессора для выполнения простых аналитических задач на границе. По мере увеличения вычислительных мощностей, у компаний появилась возможность внедрять в камеру все более сложную аналитику.
Было несколько преимуществ, которые делали аналитику на границе привлекательной:
- Низкое потребление полосы пропускания. Вместо того, чтобы передавать каждый кадр необработанного видео на сервер для анализа, камера могла предварительно обрабатывать изображения и просто посылать отснятый материал.
- Более низкие требования к хранению данных. Поскольку на сервер отправляется только видео с большим содержанием, в массиве хранения будет меньше видеоматериалов для архивирования.
- Снижение эксплуатационных расходов. Обработка видео в камере обходится дешевле, чем монополизация процессорных циклов на сервере.
Самые ранние алгоритмы, внедренные в камеру, были основаны на изменении пикселей в поле зрения. Когда эти изменения достигали определенного порога, аналитики приходили к выводу, что движение было обнаружено, и посылали видео на сервер. Основываясь на этой концепции пиксельного порога, вскоре последовали другие аналитические методы внутрикамерного анализа, такие как вмешательство в камеру и обнаружение поперечных линий.
КАК МАШИННОЕ ОБУЧЕНИЕ ВЛИЯЕТ НА РАЗВИТИЕ ВИДЕО
До 2020 года производители строят камеры, встроенные в процессоры глубокого обучения (DLPU), что позволяет разработчикам программного обеспечения интегрировать в алгоритмы анализа видеоизображений искусственный интеллект (ИИ). Это породило новые надежды на то, что машинное обучение и глубокое изучение станут “серебряной пулей”, которую индустрия безопасности давно обещает. Однако, учитывая различия в условиях видеонаблюдения, выполнение этого обещания еще не завершено. Это связано с тем, что машинное обучение требует огромного количества ресурсов, прежде чем продемонстрирует стабильно точный результат.
Мы воспользуемся примером распознавания лиц. Если вы хотите создать приложение с помощью ИИ, вам понадобится итерационный процесс для обучения программы классификации изображения, как лица. Это сбор и маркировку тысяч изображений лиц и подачу их в программу, а затем тестирование приложения после каждого цикла ввода до тех пор, пока вы не определите, что программа “достаточно” узнала о том, какими характеристиками обладает лицо. В этот момент обученная модель станет законченной программой. Но после этого ИИ не узнал бы ничего нового.
Теперь рассмотрим проблемы распознавания лиц с точки зрения камер видеонаблюдения. Необходимо обучить программу распознаванию не только полнофронтального изображения, но и изображений, снятых под разными углами, изображений в тени и ярком солнечном свете и при переменных погодных условиях, изображений с волосами на лице, шляпок, очков, татуировок и других отличительных признаков. А если в программе появится новое изображение, для которого нет данных о точках, на которые оно может ссылаться, то оно может не распознать изображение как лицо.
Это не значит, что были достигнуты значительные успехи с первых дней видеоаналитики. Возьмем, к примеру, видео–детектор движения. Мы прошли долгий путь от простого обнаружения смены пикселей на сцене. Сегодняшняя аналитика обнаружения движения была разработана для распознавания закономерностей. Они способны отфильтровывать несущественные данные, такие как тени, проезжающие объекты, такие как автомобили и ветки, цветение от фар, даже птиц – что приводит к значительно меньшему количеству ложных срабатываний.
Другие виды видеоаналитики, такие как распознавание номерных знаков и классификация объектов (например, тип автомобиля, цвет, марка и модель), также выросли в сложности с годами с возможностью точно распознавать и передавать важнейшие данные и игнорировать все, что не имеет никакого отношения к конкретной задаче.
КАК ОБЛАЧНЫЕ ВЫЧИСЛЕНИЯ РАСШИРЯЮТ ВОЗМОЖНОСТИ
Индустрия видеоанализа выросла в огромную экосистему инструментов для решения проблем. Но для достижения более прогностического интеллекта многие из этих алгоритмов полагаются на более крупные наборы данных и большую вычислительную мощность для достижения приемлемого уровня точности. Это привело многие предприятия к пониманию того, что вычислительная мощность и наборы данных на границе являются ядром и недостаточны для решения этой задачи. Поэтому они обращаются к третьему варианту своих аналитических операций: облачным вычислениям. Использование службы облачных вычислений дает определенные преимущества, которые не могут обеспечить ни граница, ни ядро:
Отличная масштабируемость. Переход к модели облачных вычислений предлагает практически неограниченную вычислительную мощность и дает пользователям доступ к большим массивам данных и изображениям для обучения алгоритмам анализа видеоматериалов целевым задачам.
Отличная выполнимость. Облачные вычисления – это гибкое решение. Бизнес использует ресурсы провайдера только по мере необходимости.
Более низкие начальные инвестиции. Бизнесу не нужно покупать, поддерживать и обновлять локальные ресурсы сервера, что позволяет компаниям с меньшими финансовыми возможностями получить доступ к практически неограниченным современным аппаратным и программным ресурсам без огромных капитальных вложений. Они могут использовать видеоаналитику в качестве услуги и распределять расходы в свой операционный бюджет.
ПЕРЕХОД ОТ ПРОПРИЕТАРНЫХ К ОТКРЫТЫМ СТАНДАРТАМ ИНСТРУМЕНТОВ РАЗРАБОТКИ
Помимо еще большей точности, одна из причин, по которой видеоаналитика набирает обороты, заключается в том, что многие из новых алгоритмов являются аппаратными агностическими. Вначале производители разрешали встраивать в свои камеры только аналитику, созданную собственной командой разработчиков программного обеспечения. По мере роста спроса на индивидуальные решения производители постепенно стали открывать свои продукты сторонним разработчикам. Но была оговорка. Для того чтобы приложения работали на этих камерах, сторонние разработчики должны были использовать собственные инструменты и платформу для разработки приложений. За редкими исключениями, это, как правило, ограничивало полезность приложения для линейки продуктов одного производителя.
С распространением Интернета вещей и лучших в своем роде смешанных экосистем эта позиция перестала быть устойчивой, поскольку ограничивала возможности пользователей по выращиванию своих систем. Сегодня наблюдается большой толчок к использованию инструментов разработки с открытым исходным кодом, основанных на стандартных интерфейсах прикладного программирования. Целью было бы создание общего фреймворка разработки, который бы поддерживал развертывание видеоаналитики на нескольких уровнях. Другими словами, любое аналитическое программное обеспечение, написанное в рамках этой структуры, будет совместимо с пограничными устройствами, локальными серверами или фермами облачных вычислений.
Другим обоснованием такого подхода с открытым исходным кодом было бы предоставление разработчикам доступа к обширной библиотеке проверенных программ компьютерного зрения и машинного обучения, на которых можно было бы построить исходный код. Это значительно ускорило бы разработку программного обеспечения и стимулировало бы инновации, что повысило бы ценность камер всех производителей.
ПЕРЕХОД ОТ ВИДЕОАНАЛИТИКИ К БИЗНЕС-ОПЕРАЦИЯМ С ТОЧКИ ЗРЕНИЯ БЕЗОПАСНОСТИ
Многие из видеоаналитиков, разработанных для систем видеонаблюдения и безопасности, с течением времени нашли свое применение в бизнес-процессах, особенно в розничной торговле и здравоохранении. Например, аналитика бродяжничества используется в магазинах для обнаружения возможных краж в магазине или клиентов, нуждающихся в помощи обслуживающего персонала. На самом деле, некоторые ритейлеры привязывают видеоаналитику к интеллектуальным аудиосистемам, чтобы дать клиенту понять, что помощь уже в пути. Это оказалось отличным сдерживающим фактором против воровства и потери возможностей сбыта.
В здравоохранении некоторые больницы используют аналитику перекрестного обнаружения, чтобы вызвать сигнал тревоги, когда пациенты бродят или пытаются встать с постели без посторонней помощи. Некоторые больницы дополняют свою видеоаналитику аудиоаналитикой (такой как обнаружение агрессии и выстрелов) и системами оповещения, чтобы снизить уровень насилия на рабочем месте.
В результате пандемии КОВИД-19 многие учреждения находят новые способы применения своих методов видеоанализа. Программное обеспечение для распознавания лиц модифицируется, чтобы определить, носят ли люди маски для обеспечения соответствия протоколам охраны труда и техники безопасности. Аналитические данные о занятости используются для оповещения руководства о достижении установленных возможностей в соответствии с действующими муниципальными кодексами. И еще много инноваций находится в стадии разработки.
СОЗДАНИЕ МНОГОУРОВНЕВОГО РЕШЕНИЯ ДЛЯ ВИДЕОАНАЛИТИКИ
Как видите, видеоаналитика прошла долгий путь после простого определения изменения пикселей. Разработчики программного обеспечения проектируют их как многоуровневые решения, которые могут работать на границе, в ядре и в облаке, предоставляя пользователям гибкость развертывания и управления аналитикой везде, где они наиболее подходят и наиболее экономичны. Они используют инструменты с открытым исходным кодом, чтобы построить эти приложения как аппаратные агностические, давая пользователям свободу выбора лучших компонентов для своих установок.
В дальнейшем разработчики приложений будут продолжать стремиться к аналитике, способной обнаруживать и оценивать все более тонкие нюансы в поведении и окружающей среде. Эта цель будет достигнута, опираясь на наследие своих предшественников и используя мощь ИИ и машинного обучения. Это приведет к более точным и прогнозируемым результатам, которые помогут клиентам справиться с ежедневными проблемами, с которыми они сталкиваются в сфере безопасности и ведения бизнеса.